1、首先介绍我们学习pytorch的官方教程地址：http://pytorch.org/docs/master/index.html；还有一个中文文档:http://pytorch-cn.readthedocs.io/zh/latest/
2、我个人也是 pytorch 的初学者，我以一个初学者的身份来简单介绍torch的使用.
3、pytorch是使用GPU和CPU优化的深度张量库，torch中最重要的一个数据类型就是Tensor(张量)。
一、长用的Tensor方法：
input:输入可以是Tensor向量，也可以输入单个值。
output表示返回的结果，返回可以是向量也可以单个值。
(1) torch.lerp(star,end,weight)
返回结果是out=start+(end-start)*weight
(2) torch.rsqrt(input)
返回平方根的倒数
（3）torch.mean(input)
返回平均值
（4）torch.std(input)
返回标准偏差
（5）torch.prod(input)
返回所有元素的乘积
（6）torch.sum(input)
返回所有元素的之和
（7）torch.var(input)
返回所有元素的方差
（8）torch.tanh(input)
返回元素双正切的结果
张量比较
（9）torch.equal(torch.Tensor(a),torch.Tensor(b))
两个张量进行比较，如果相等返回true，否则返回false
（10）torch.ge(input,other,out=none)
torch.ge(torch.Tensor(a),torch.Tensor(b))
比较内容：
ge: input>=other 也就是a>=b,返回true，否则返回false
gt:input> other 也就是a>b,返回true，否则返回false
lt:input<other也就是a<b,返回true，否则返回false
(11)torch.max(input)
返回输入元素的最大值
(12)torch.min(input)
返回输入元素的最小值
(13)element_size()
返回单个元素的字节
>>>torch.FloatTensor.element_size()
>>>4
>>>torch.ByteTensor.element_size()
>>>1
(14)expamd(*sizes)
返回tensor的一个新视图，单个维度扩大为更大的尺寸。 tensor也可以扩大为更高维，新增加的维度将附在前面。 扩大tensor不需要分配新内存，只是仅仅新建一个tensor的视图，其中通过将stride设为0，一维将会扩展位更高维。任何一个一维的在不分配新内存情况下可扩展为任意的数值。
(15)index_add_(dim, index, tensor) → Tensor
按参数index中的索引数确定的顺序，将参数tensor中的元素加到原来的tensor中。参数tensor的尺寸必须严格地与原tensor匹配，否则会发生错误。参数： - dim(int)-索引index所指向的维度 - index(LongTensor)-需要从tensor中选取的指数 - tensor(Tensor)-含有相加元素的tensor
>>> x = torch.Tensor([[1, 1, 1], [1, 1, 1], [1, 1, 1]])
>>> t = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> index = torch.LongTensor([0, 2, 1])#这里是把第2行和第3行进行对调
>>> x.index_add_(0, index, t)
>>> x
2 3 4
8 9 10
[torch.FloatTensor of size 3x3]
index_copy_(dim, index, tensor) → Tensor
按参数index中的索引数确定的顺序，将参数tensor中的元素复制到原来的tensor中。参数tensor的尺寸必须严格地与原tensor匹配，否则会发生错误。解释一下：index=torch.LongTensor([0,2,1]),这里是把第2行和第3行进行对调，所以得到上述结果。
（16）norrow(demension,start,length)--->te返回一个本tensor经过缩小后的tensor。维度dim缩小范围是start到start+length。原tensor与返回的tensor共享相同的底层内存。
>>>x = torch.Tensor([[1,2,3], [4,5,6], [7,8,9]])
>>>x.narrow(0,0,2)
123
456
[torch.FloatTensor of size 2x3]
>>>x.narrow(1,1,2)
235
689
[torch.FloatTensor of size 3x2]
(17)permute(dims)
将tensor的维度换位 参数：dim(int)---换位顺序
>>>x=torch.randn(2,3,4)
>>>x.size()
torch.size([2,3,5])
>>>x.permute(2,0,1).size()
torch.size([5,2,3])
(18) repeat(*sizes)
沿着指定的维度重复tensor。不同与expand()，本函数复制的是tensor中的数据。
参数：*size(torch.size ot int...)-沿着每一维重复的次数
>>>x = torch.Tensor([1,2,3])
>>>x.repeat(4,2)
123123
123123
123123
123123
[torch.FloatTensor of size 4x6]
>>>x.repeat(4,2,1).size()
torch.Size([4,2,3])
（19）resize_(*size)
将tensor的大小调整为指定的大小。如果元素个数比当前的内存大小大，就将底层存储大小调整为与新元素数目一致的大小。
如果元素个数比当前内存小，则底层存储不会被改变。原来tensor中被保存下来的元素将保持不变，但新内存将不会被初始化。
参数：sizes(torch.Size or int....)需要调整的大小
>>>x = torch.Tensor([[1,2], [3,4], [5,6]])
>>>x.resize_(2,2)#这两个2，分别表示两行两列，如果换成（1，3），则打印的结果是一个一行三列的向量
>>>x
12
34
[torch.FloatTensor of size 2x2]
（20）storage_offset()---->int
以存储元素的个数的形式返回tensor在地城内存中的偏移量。
>>>x = torch.Tensor([1,2,3,4,5])
>>>x.storage_offset()
0
>>>x[3:].storage_offset()
3
（21）unfold(dim,size,step)---->Tensor
返回一个Tensor，其中含有在dim维tianchong度上所有大小为size的分片。两个分片之间的步长为step。如果_sizedim_是dim维度的原始大小，则返回tensor
中的维度dim大小是_(sizesdim-size)/step+1_维度大小的附加维度将附加在返回的tensor中。
参数：_dim(int)--需要展开的维度--size(int)每一个分片需要展开的大小--step(int)-相邻分片之间的步长
上述的每个方法都参考过文章前面的两个链接，如果你想深入了解，转向链接。